System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及核光谱测量领域,尤其涉及一种脉冲分类方法及系统。
技术介绍
1、半导体探测器输出信号经前置放大器和cr微分整形后输出的脉冲有一个较长的拖尾,受到测量系统本身的限制以及测量环境的干扰,在这个拖尾区间内极有可能发生脉冲畸变、脉冲堆积等事件,因此测量系统输出的核脉冲信号一般不仅包含有效的单脉冲,也包括堆积脉冲、不完整脉冲、坏脉冲等无效脉冲。这些无效脉冲与单脉冲信号的区别主要体现在时域和幅度域,时域上单脉冲信号宽度是完整的且在测量窗口内具有单一的峰位,而堆积脉冲、不完整脉冲、坏脉冲等信号则存在脉冲宽度不足以及测量窗口内包含多个峰位等特征,这类脉冲扭曲了测量得到的能谱,即产生失真。这种失真尤其会强烈影响放射性同位素测定,其中特征峰区域的净计数损失可能导致低估材料内部的元素含量。
2、堆积脉冲、不完整脉冲、坏脉冲等脉冲是探测器测量过程直接产生的,无法通过硬件电路来屏蔽,因此采用脉冲分类判别的方法来减少它们的影响是至关重要的。脉冲分类问题其本质上也就是脉冲形状的甄别(psd),目前比较常用的甄别方法包括电荷比较法、上升时间法和频率梯度分析法。在这些算法里面,电荷比较法在区分单个脉冲时实现了良好的分类精度,然而,当仅依赖电荷比较时,堆积脉冲容易被错误地分类。这个问题在高计数率(>3*104 cps)下尤其严重,这时候脉冲堆积概率增加,两个或多个脉冲可能落在同一积分门中。尽管电荷比较法对单脉冲具有良好的鉴别性能,但对于很多复杂的应用情况,例如不完整脉冲和溢出脉冲,由于脉冲结构改变,很容易被错误甄别。因此,迫切需要一
技术实现思路
1、本专利技术的目的在于克服现有脉冲分类方法存在的缺陷,提供了一种脉冲分类方法及系统。
2、本专利技术的目的是通过以下技术方案来实现的:
3、第一方面,提供一种脉冲分类方法,包括以下步骤:
4、s1、采集核光谱测量过程中的脉冲,得到原始脉冲数据集;
5、s2、对所述原始脉冲数据集中的脉冲进行重构,得到包含单脉冲、不完整脉冲、堆积脉冲以及坏脉冲的重构脉冲数据集;
6、s3、基于经典神经网络模型构建脉冲分类模型,所述脉冲分类模型包括依次连接的输入层、隐藏层和输出层;
7、s4、利用所述重构脉冲数据集对所述脉冲分类模型进行监督训练,并对脉冲分类模型进行超参优化;其中,所述输入层将每个训练脉冲样本与其相关的数据特征拼接,并调整不同脉冲参数的权重,得到输入向量;所述隐藏层对输入向量进行二次加权和偏置;所述输出层经softmax激活函数和类别交叉熵函数输出脉冲分类结果;
8、s5、利用训练好的脉冲分类模型进行脉冲分类。
9、优选地,所述步骤s1和s2之间包括对原始脉冲数据集进行预处理的步骤,所述预处理包括:
10、将时序上连续的脉冲序列转换为独立的一维脉冲幅度序列。
11、优选地,所述对所述原始脉冲数据集中的脉冲进行重构,包括:
12、对原始脉冲进行幅度缩放、平移、叠加以及截断操作,形成数量均衡的各类脉冲。
13、优选地,所述基于经典神经网络模型构建脉冲分类模型,包括:
14、分别使用lenet、vggnet、alexnet和resnet构建脉冲分类模型。
15、优选地,所述方法还包括:
16、对脉冲分类模型的效果进行评价。
17、优选地,所述方法还包括:
18、比较四种脉冲分类模型的分类性能。
19、优选地,所述对脉冲分类模型进行超参优化,包括:
20、训练过程中不断调整批尺寸和学习率。
21、优选地,在所述重构脉冲数据集中脉冲添加噪声,得到不同信噪比的噪声测试集;使用噪声测试集测试脉冲分类模型的分类性能。
22、第二方面,提供一种脉冲分类系统,包括:
23、原始脉冲数据采集模块,配置为采集核光谱测量过程中的脉冲,得到原始脉冲数据集;
24、脉冲重构模块,配置为对所述原始脉冲数据集中的脉冲进行重构,得到包含单脉冲、不完整脉冲、堆积脉冲以及坏脉冲的重构脉冲数据集;
25、脉冲分类模型构建模块,基于经典神经网络模型构建脉冲分类模型,所述脉冲分类模型包括依次连接的输入层、隐藏层和输出层;
26、模型训练模块,配置为利用所述重构脉冲数据集对所述脉冲分类模型进行监督训练,并对脉冲分类模型进行超参优化;其中,所述输入层将每个训练脉冲样本与其相关的数据特征拼接,并调整不同脉冲参数的权重,得到输入向量;所述隐藏层对输入向量进行二次加权和偏置;所述输出层经softmax激活函数和类别交叉熵函数输出脉冲分类结果;
27、脉冲分类模块,配置为利用训练好的脉冲分类模型进行脉冲分类。
28、需要进一步说明的是,上述各选项对应的技术特征在不冲突的情况下可以相互组合或替换构成新的技术方案。
29、与现有技术相比,本专利技术有益效果是:
30、(1)本专利技术将经典的深度神经网络模型用于核脉冲分类,为优化核辐射测量结果提供了一种新的途径,显著提高了脉冲分类性能,为神经网络在核脉冲处理以及核辐射测量领域的应用走出了关键性的一步。
31、(2)本专利技术对原始脉冲进行幅度缩放、平移、叠加以及截断等重构操作,形成数量均衡的各类脉冲,使得脉冲分类模型局部收敛,提高模型性能。
32、(3)本专利技术在重构脉冲数据集中脉冲添加噪声,得到不同信噪比的噪声测试集,并使用噪声测试集测试脉冲分类模型的分类性能,提高了模型的噪声免疫能力。
33、(4)本专利技术方法与核脉冲分类相结合,是对核脉冲处理的有效探索,对其他类似研究具有参考意义。
本文档来自技高网...【技术保护点】
1.一种脉冲分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述步骤S1和S2之间包括对原始脉冲数据集进行预处理的步骤,所述预处理包括:
3.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述对所述原始脉冲数据集中的脉冲进行重构,包括:
4.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述基于经典神经网络模型构建脉冲分类模型,包括:
5.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述方法还包括:
6.根据权利要求5所述的一种脉冲分类方法,其特征在于,所述方法还包括:
7.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述对脉冲分类模型进行超参优化,包括:
8.根据权利要求1所述的一种脉冲分类方法,其特征在于,在所述重构脉冲数据集中脉冲添加噪声,得到不同信噪比的噪声测试集;使用噪声测试集测试脉冲分类模型的分类性能。
9.一种脉冲分类系统,其特征在于,包括:
【技术特征摘要】
1.一种脉冲分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述步骤s1和s2之间包括对原始脉冲数据集进行预处理的步骤,所述预处理包括:
3.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述对所述原始脉冲数据集中的脉冲进行重构,包括:
4.根据权利要求1所述的一种脉冲分类方法,其特征在于,所述基于经典神经网络模型构建脉冲分类模型,包括:
5.根据权利要求1所述的一...
【专利技术属性】
技术研发人员:唐琳,施开波,李波,刘星月,唐毅谦,
申请(专利权)人:成都大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。